2017 год был большим годом для искусственного интеллекта (AI) и машинного обучения (ML), и хотя некоторые из них были чистой шумихой, многое из того, что было достигнуто, будет значительным, поскольку область продолжает расти и оказывать влияние на каждую отрасль. Ниже я резюмирую, что считаю основными достижениями или событиями года, и вкратце объясняю, почему они так важны. В список входят как технические достижения, так и коммерческие, потому что в конечном итоге реальное влияние технологической трансформации происходит, когда технология достигает масс. Хотя некоторые из них носят предварительный характер, и большинство из них не было реализовано с нуля в 2017 году, они действительно сеют важные семена для будущего.

  1. Машинное обучение без особого надзора. AlphaGo Zero и CMU Libratus добились значительного прогресса в решении проблем. AlgphaGo Zero учился, играя против самого себя, а не полагаясь на тренировочные данные, в то время как Libratus учился на «скрытой» информации в покере. Эти два достижения являются значительными в плане уменьшения зависимости от обучающих данных и «точной» информации. Такая работа успешно устраняет два основных ограничения существующих систем машинного обучения, стимулируя дальнейшие исследования в этих областях и открывая двери для многих приложений, в которых данные обучения и несовершенная информация являются проблематичными (что случается почти во всем!).
  2. ИИ стал изобретательнее. Мы увидели гораздо более широкий спектр приложений генерирующих состязательных сетей (GAN), техники, в которой одна сеть оценивает, что генерирует другая сеть. Впечатляющие результаты были получены, среди прочего, в автоматическом сочинении музыки, создании картин и реалистичных изображений. Использование ИИ в творческих усилиях подтолкнет нас к еще большей креативности и поставит под сомнение подлинность контента, который нам представлен. Мы еще не совсем подошли к этому вопросу, но фальшивые изображения и видео в настройках новостей, вероятно, станут проблемой, с которой мы столкнемся в ближайшем будущем.
  3. Распознавание зрения и речи по запросу. Большой прогресс в области искусственного интеллекта за последние годы уходит корнями в компьютерное зрение (маркировка объектов на изображениях и видео). В 2017 году мы стали свидетелями более сильного набега на начало коммерциализации этих технологий, что имеет далеко идущие последствия для будущих приложений в нескольких отраслях. Оба они по-прежнему являются активными исследовательскими областями, и лишь несколько компаний обладают техническими возможностями для разработки и коммерциализации алгоритмов. Но для любого разработчика или компании проще, чем когда-либо, использовать эти услуги, не обладая внутренним опытом, что создает бесчисленные возможности для новых приложений технологии.
  4. Войны за аппаратное обеспечение разгораются. Хотя это еще рано, в специализированном оборудовании машинного обучения были достигнуты успехи: несколько традиционных производителей оборудования объявили о чипах и инициативах, оптимизированных для машинного обучения (Intel, IBM, ARM, AMD). стартапов, работающих над разными аппаратными архитектурами, и новых игроков на рынке микросхем, таких как Google с его TPU. Активность в этой сфере значительна, потому что по мере роста конкуренции за создание более совершенных аппаратных решений цены будут продолжать снижаться по мере увеличения производительности, открывая двери для новых и интересных приложений.
  5. Машинное обучение занимается структурами данных. Структуры данных имеют решающее значение для большинства крупномасштабных вычислительных задач, и в 2017 году мы увидели, как исследователи Google применили глубокое обучение для оптимизации распределения данных, что привело к значительному увеличению производительности. Это вызвало жаркие споры о том, может ли машинное обучение автоматически оптимизировать структуры индексов. Это интересно, потому что это еще одна новая область применения глубокого обучения, которая может привести к очень значительному увеличению производительности и экономии, возможно, встряхнув эту часть рынка.
  6. Машинный перевод. В 2017 году мы наблюдали значительную активность и продолжали совершенствовать нейронный машинный перевод, основанный на глубоком обучении. Были многообещающие улучшения в скорости и точности в академических и промышленных системах. Достижение возможностей автоматического перевода, близких к человеческим, имеет серьезные экономические последствия в очень больших масштабах. С одной стороны, это увеличивает доступ к информации, необходимой для развития, а с другой стороны, облегчает общение в реальном времени. По мере совершенствования таких технологий сохранение человеческих языков и знание людьми нескольких языков станет более сложной задачей.
  7. Интерпретируемость в первом ряду. Хотя мы далеки от понимания того, как некоторые алгоритмы на самом деле принимают решения, особое внимание и усилия были обращены на понимание систем глубокого обучения. Это включало жаркие дебаты по теоретическим аспектам, а также прогресс в понимании того, когда эти алгоритмы терпят неудачу. Были разработаны методы, позволяющие обмануть системы, идентифицирующие объекты на изображениях, среди прочего, путем изменения одного пикселя или добавления «наклейки» к изображению. Хотя эти усилия помогают нам понять, как алгоритмы принимают решения, они также стимулируют деятельность по решению проблем, связанных со взломом ИИ, что имеет решающее значение для многих приложений, в том числе для здравоохранения и безопасности.
  8. ИИ вошел в дом. Это был важный год для голосовых помощников, таких как Alexa и Google Home, поскольку они стали популярными. Успех этих продуктов значителен, поскольку они, вероятно, проложат путь к серьезным изменениям в том, как мы взаимодействуем с широким спектром устройств дома и в дороге. Важнее всего не технология, а то, что эти устройства успешно меняют привычки. Если успех продолжится, это очень важный сдвиг. Хотя дома такие новые способы взаимодействия являются вопросом удобства, во многих сценариях они имеют серьезные последствия для безопасности, например, во время вождения, и повышения эффективности, например, на производстве и в здравоохранении, среди прочего.
  9. ИИ стал мейнстримом. От второй рекламы Суперкубка с ИИ до рекламной кампании, в которой участвовал исследователь ИИ, и почти ежедневных новостей об ИИ - это был год, когда ИИ достиг наивысшего уровня общественная дурная слава. С одной стороны, это наводит некоторых на мысль, что его магия решит все проблемы, а с другой - что это всего лишь раздутый пузырь, который скоро рухнет. Самая большая проблема, связанная с этой тенденцией, заключается в том, что она создала вакуум знаний на всех уровнях, от разработчиков, руководителей и инвесторов до обычных работников (некоторые из которых теперь опасаются, что технологии отнимут у них рабочие места). В целом это хорошо, но есть риски, в том числе нереалистичные ожидания в обоих направлениях, которые могут помешать дальнейшим инновациям.
  10. Этика в искусственном интеллекте. Последовали бесчисленные разговоры и дебаты не только по таким темам, как предвзятость в системах ИИ, но и по влиянию ИИ на будущее работы. Хотя большинство опасений необоснованны, 2017 год послужил почвой для серьезного рассмотрения влияния ИИ, того, регулируется ли и как он, а также других важных вопросов. Это очень рано, и по мере того, как технология становится все более обычным явлением, мы, вероятно, увидим большие неудачи, которые могут подтолкнуть разговоры об этике еще дальше. Однако самым положительным в этих дебатах является то, что они привлекают внимание к некоторым реальным проблемам на всех уровнях.

Я надеюсь, что этот список поможет определить, что было самым важным в 2017 году - конечно, было много других достижений. Но если подумать о будущем, как каждое из этих факторов может повлиять на вас, ваш бизнес и общество в будущем?